时间戳

首页 > 解决方案 > 如何使用 StdLib 和 Python 3 在一个范围内并行化迭代？

python - 如何使用 StdLib 和 Python 3 在一个范围内并行化迭代？

问题描述

这几天我一直在寻找答案，但无济于事。我可能只是不理解那些漂浮在那里的部分，并且multiprocessing模块上的 Python 文档相当大，我不清楚。

假设您有以下 for 循环：

import timeit


numbers = []

start = timeit.default_timer()

for num in range(100000000):
    numbers.append(num)

end = timeit.default_timer()

print('TIME: {} seconds'.format(end - start))
print('SUM:', sum(numbers))

输出：

TIME: 23.965870224497916 seconds
SUM: 4999999950000000

对于此示例，假设您有一个 4 核处理器。有没有办法总共创建 4 个进程，每个进程都在一个单独的 CPU 内核上运行并且完成速度大约快 4 倍，所以 24s/4 个进程 = ~6 秒？

以某种方式将 for 循环分成 4 个相等的块，然后将 4 个块添加到 numbers 列表中以等于相同的总和？有这个stackoverflow线程：Parallel Simple For Loop，但我不明白。谢谢大家。

标签： pythonpython-3.xparallel-processingmultiprocessingrange

解决方案

是的，这是可行的。您的计算不依赖于中间结果，因此您可以轻松地将任务分成块并将其分布在多个进程中。这就是所谓的

尴尬的并行问题。

这里唯一棘手的部分可能是，首先将范围划分为相当相等的部分。直接列出我的个人库两个函数来处理这个问题：

# mp_utils.py

from itertools import accumulate

def calc_batch_sizes(n_tasks: int, n_workers: int) -> list:
    """Divide `n_tasks` optimally between n_workers to get batch_sizes.

    Guarantees batch sizes won't differ for more than 1.

    Example:
    # >>>calc_batch_sizes(23, 4)
    # Out: [6, 6, 6, 5]

    In case you're going to use numpy anyway, use np.array_split:
    [len(a) for a in np.array_split(np.arange(23), 4)]
    # Out: [6, 6, 6, 5]
    """
    x = int(n_tasks / n_workers)
    y = n_tasks % n_workers
    batch_sizes = [x + (y > 0)] * y + [x] * (n_workers - y)

    return batch_sizes


def build_batch_ranges(batch_sizes: list) -> list:
    """Build batch_ranges from list of batch_sizes.

    Example:
    # batch_sizes [6, 6, 6, 5]
    # >>>build_batch_ranges(batch_sizes)
    # Out: [range(0, 6), range(6, 12), range(12, 18), range(18, 23)]
    """
    upper_bounds = [*accumulate(batch_sizes)]
    lower_bounds = [0] + upper_bounds[:-1]
    batch_ranges = [range(l, u) for l, u in zip(lower_bounds, upper_bounds)]

    return batch_ranges

然后您的主脚本将如下所示：

import time
from multiprocessing import Pool
from mp_utils import calc_batch_sizes, build_batch_ranges


def target_foo(batch_range):
    return sum(batch_range)  # ~ 6x faster than target_foo1


def target_foo1(batch_range):
    numbers = []
    for num in batch_range:
        numbers.append(num)
    return sum(numbers)


if __name__ == '__main__':

    N = 100000000
    N_CORES = 4

    batch_sizes = calc_batch_sizes(N, n_workers=N_CORES)
    batch_ranges = build_batch_ranges(batch_sizes)

    start = time.perf_counter()
    with Pool(N_CORES) as pool:
        result = pool.map(target_foo, batch_ranges)
        r_sum = sum(result)
    print(r_sum)
    print(f'elapsed: {time.perf_counter() - start:.2f} s')

请注意，我还将您的 for 循环切换为对 range 对象进行简单求和，因为它提供了更好的性能。如果你不能在你的真实应用中做到这一点，列表理解仍然比你的例子中手动填充列表快 60%。

示例输出：

4999999950000000
elapsed: 0.51 s

Process finished with exit code 0

推荐阅读